揭示图数据隐私漏洞：结构在其中的作用

用户信息的公开分享为对方推断私人数据打开了大门，导致隐私泄露并促进恶意活动。虽然许多研究集中于通过公开用户属性导致的隐私泄露，但通过网络结构（尤其是间接网络结构模式）暴露的用户关系所带来的威胁常被忽视。本研究旨在填补这一关键空白，通过深入理解和保护来自网络结构的隐私风险，超越与邻居的直接连接，纳入更广泛的间接网络结构模式的含义。为实现这一目标，本文首先研究图数据通过结构导致的隐私泄露问题（GPS），并引入一种新措施——广义 homophily 比率（Generalized Homophily Ratio），以量化各种机制对隐私泄露风险的贡献。基于这一洞察，我们开发了一种新的图数据私有属性推断攻击，作为评估网络结构在最坏情况下的潜在隐私泄露潜力的关键工具。为保护用户免受此类漏洞的威胁，我们提出一种集成可学习图抽样技术的图数据发布方法，有效地将原始图转换为保护隐私的版本。大量实验表明，我们的攻击模型对用户隐私构成重大威胁，而我们的图数据发布方法在基线方法中实现了最佳的隐私-实用性权衡。